一种用于几何自适应的非结构网格自动生成的方法及装置制造方法及图纸

本发明专利技术实施例公开了一种利用深度学习方法生成几何自适应的非结构网格方法，涉及数据分析领域中的非结构网格自动生成技术，能够利用深度学习方法生成分级合理

【技术实现步骤摘要】
一种用于几何自适应的非结构网格自动生成的方法及装置


[0001]本专利技术涉及数据分析领域中的非结构网格自动生成技术，尤其涉及一种利用深度学习方法生成几何自适应的非结构网格方法
。

技术介绍

[0002]计算建模与仿真是现代科学研究中的一个关键方面，包括从计算机图形学到物理现象的复杂数值模拟等
。
这些数值计算建模技术基于底层几何的离散化表示，其中感兴趣的域被划分为由简单元素构成的网格
。
网格通过底层拓扑结构分为结构网格与非结构网格
。
结构网格通常限制在简单几何域上指定问题的使用，与结构网格不同的是非结构化网格提供了更大的几何灵活性
。
[0003]非结构网格生成技术主要涉及高效与自动算法的发展，以构建复杂物体和领域的高质量网格
。
非结构网格生成技术主要分为三类：
1、
网格覆盖方法，基于底层的结构网格，修剪和扭曲结构化覆盖网格的元素，以符合划分域的几何形状，通常以四
/
八叉树构建覆盖网格；
2、
前沿推进方法，在待划分域边界上初始化，通过添加与前沿相邻接的节点来一层一层添加网格单元，并逐渐向推进，直至划分完待划分域；
3、Delaunay
剖分方法，构建初始符合几何形状的约束
Delaunay
网格，通过细化策略逐渐添加新的顶点到域的内部，直到形成合适的三角剖分
。
[0004]网格尺寸分布是控制生成的网格符合划分域几何特征的关键因素，但是网格尺寸分布与上述非结构网格生成方法的结合往往需要大量人工先验或人工交互操作，实际应用中费时费力，严重占用实验室的人力资源
。
因此，如何自动生成符合划分域几何特征的非结构网格成为了需进一步研究并解决的问题
。

技术实现思路

[0005]本专利技术的实施例提供一种用于几何自适应的非结构网格自动生成的方法及装置，依靠划分计算域的几何外形，即可自动生成几何自适应的非结构计算网格，大大降低了网格生成过程中人工先验与人工交互，提高效率
。
[0006]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0007]第一方面，本专利技术的实施例提供的方法，包括：
[0008]S1、
初始化待划分计算域的几何外形；
[0009]S2、
针对所述待划分计算域的几何外形，构建训练样本数据库；
[0010]S3、
建立深度网络模型，所述深度网络模型包括两个条件生成器和两个多尺度条件判别器；
[0011]S4、
利用所述训练样本数据库训练所述深度学习网络模型；
[0012]S5、
利用训练后的深度学习模型，生成对应所述待划分计算域的几何外形的网格尺寸分布；
[0013]S6、
利用所述网格尺寸分布生成所述待划分计算域的非结构计算网格
。
[0014]第二方面，本专利技术的实施例提供的装置，包括：
[0015]接收模块，用于接收客户端发送的请求信息，并根据所述请求信息初始化待划分计算域的几何外形，所述请求信息中的设定参数包括：基础划分域几何外形
、
待划分域几何外形和最大
/
小网格单元尺寸值；
[0016]样本处理模块：用于针对所述待划分计算域的几何外形，构建训练样本数据库；
[0017]网络训练模块：用于建立深度网络模型，并利用所述训练样本数据库训练所述深度学习网络模型，所述深度网络模型包括两个条件生成器和两个多尺度条件判别器；
[0018]网络预测模块：用于利用训练后的深度学习模型，生成对应所述待划分计算域的几何外形的网格尺寸分布；
[0019]网格划分模块：用于利用所述网格尺寸分布和最大
/
小网格单元尺寸值构建所述待划分计算域的非结构网格；
[0020]输出模块：用于将所述非结构网格数据反馈给所述客户端
。
[0021]本专利技术实施例提供的用于几何自适应的非结构网格自动生成的方法及装置，使用基础的几何外形构建方程并计算形成训练样本数据，对构建的深度网络模型使用训练样本数据进行训练，对新的几何外形计算
Eikonal
方程得到对应的符号距离函数，作为深度网络模型的输入得到相对应的网格尺寸分布函数，根据生成的网格尺寸分布函数，
Frontal
‑
Delaunay
方法进行几何外形对应域的网格划分
。
本方法能够利用深度网络模型生成符合几何域特征的网格尺寸分布函数，并利用简单的最大
/
最小网格单元尺寸参数来生成不同规模的非结构网格，减少了人工先验的介入，提高了效率，且生成的网格符号几何域特征，做到了几何自适应的非结构网格自动生成
。
附图说明
[0022]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图
。
[0023]图1为本专利技术实施例提供的系统架构示意图；
[0024]图2为本专利技术实施例提供的方法流程示意图；
[0025]图3为本专利技术实施例提供的深度网络模型结构示意图；
[0026]图4为本专利技术实施例提供的用于几何自适应非结构网格生成的方法框架示意图；
[0027]图5为本专利技术实施例提供的网格划分结构示意图
。
具体实施方式
[0028]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述
。
下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件
。
下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制
。
本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式
。
应该进一步理解的是，本专利技术的说明书
中使用的措辞“包括”是指存在所述特征
、
整数
、
步骤
、
操作
、
元件和
/
或组件，但是并不排除存在或添加一个或多个其他特征
、
整数
、
步骤
、
操作
、
元件
、
组件和
/
或它们的组
。
应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件
。
此外，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于几何自适应的非结构网格自动生成的方法，其特征在于，包括：
S1、
初始化待划分计算域的几何外形；
S2、
针对所述待划分计算域的几何外形，构建训练样本数据库；
S3、
建立深度网络模型，所述深度网络模型包括两个条件生成器和两个多尺度条件判别器；
S4、
利用所述训练样本数据库训练所述深度学习网络模型；
S5、
利用训练后的深度学习模型，生成对应所述待划分计算域的几何外形的网格尺寸分布；
S6、
利用所述网格尺寸分布生成所述待划分计算域的非结构计算网格
。2.
根据权利要求1所述的方法，其特征在于，所述待划分计算域的几何外形，包括：简单多边形类的基础几何外形，用于表示外形差异的参数包括大小
、
形状
、
方向和位置
。3.
根据权利要求1所述的方法，其特征在于，在
S2
中，包括：通过
Eikonal
方程得到符号距离，其中，以所述符号距离作为几何外形的隐式表示；构建点源泊松方程并计算得网格尺寸分布，并将所得到的符号距离与网格尺寸分布构成一对训练样本，并存入训练样本数据库
。4.
根据权利要求3所述的方法，其特征在于，所述通过
Eikonal
方程得到符号距离，包括：通过计算符号距离函数，并将结果作为所述符号距离，其中，
Ω
表示几何划分域，
Γ
表示几何划分域边界
,d
Ω
表示符号距离，并且
v
表示边界沿局部法线方向的演变速度，
u
为封闭曲线的演变函数
。5.
根据权利要求3或4所述的方法，其特征在于，所述构建点源泊松方程并计算得网格尺寸分布，包括：通过点源泊松方程：获取网格尺寸分布
S
，其中，
(x
n
,y
n
)
表示第
n
个点源的位置，
n
为正整数，表示微分算子，
N
表示点源的数量，
i
表示背景网格上的节点索引，
ψ
n
表示每个点源的权重因子，
J
n
表示背景网格处的尺寸值与到第
n
个点源的欧式距离成反比，
I
n
表示与到第
n
个点源的欧式距离成反比，
r
n
表示到第
n
个点源的欧式距
离，
S
n
表示在第
n
个点源处的网格尺寸值，
x
i
表示背景网格上第
i
个节点的
x
坐标，

【专利技术属性】
技术研发人员：刘学军，许冉，吕宏强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：